Ita Ferawati, 4150406502 (2010) Bootstrap dalam Structural Equation Modeling (SEM) untuk Mengatasi Asumsi Non-normal Multivariat. Under Graduates thesis, Universitas Negeri Semarang.

Preview

PDF (Bootstrap dalam Structural Equation Modeling (SEM) untuk Mengatasi Asumsi Non-normal Multivariat) - Published Version Download (7MB) | Preview

Abstract

Dalam melakukan penelitian di berbagai bidang selalu dihadapkan pada permasalahan dalam menentukan estimasi model penelitian yang paling sesuai dengan data hasil penelitian. Structural Equation Modeling (SEM) yaitu suatu teknik statistika untuk mempelajari hubungan sebab akibat antar variabel laten, di mana proses pengolahanya dapat melibatkan kekeliruan dalam pengukuran dari variabel indikator dan variabel laten. Asumsi terpenting yang berkaitan dengan SEM dalam analisis struktur kovarian dan mean adalah data harus berskala kontinyu dan berdistribusi normal secara multivariat. Bootstrap merupakan salah satu metode alternatif dalam SEM untuk memecahkan masalah non-normal multivariat. Permasalahan yang ingin dikemukakan adalah mengapa metode bootstrap dapat menjadi metode alternatif bagi Structural Equation Modeling (SEM) dalam mengatasi asumsi non-normal multivariat dan bagaimana metode bootstrap mengatasi asumsi non-normal multivariat dalam Structural Equation Modeling (SEM) untuk mendapatkan estimasi model terbaik. Metode pemecahan masalah adalah mengidentifikasi dan mengumpulkan materi-materi prasyarat yang nantinya digunakan sebagai pedoman dalam menganalisis data melalui pendekatan SEM dengan software AMOS 16. Berdasarkan hasil penelitian dan pembahasan dapat disimpulkan sebagai berikut: Metode bootstrap dapat menjadi metode alternatif bagi Structural Equation Modeling (SEM) dalam mengatasi asumsi non-normal multivariat, karena metode bootstrap tidak memiliki asumsi normal multivariat seperti dalam metode ML. Meskipun nilai standard error bootstrap lebih besar dari standard error ML, namun pada nilai rasio kristis yang dihasilkan oleh bootstrap menghasilkan nilai yang signifikan dengan taraf signifikan yang telah ditentukan. Hal ini yang menjadi pertimbangan bahwa metode bootstrap sebagai metode alternatif bagi SEM mampu mengatasi asumsi non-normal multivariat ketika menggunakan metode ML untuk mendapatkan estimasi model yang baik. Berdasarkan simpulan, saran yang dapat disampaikan adalah sebagai berikut: pemilihan metode estimasi yang tepat sesuai dengan data yang diperoleh dari penelitian, selain bootstrap, terdapat metode lainnya yang dapat mengatasi asumsi non-normal multivariat, yaitu jackniffing, Scaled Chi-square, Robust Standard Error, WLS, dan lainnya sehingga dapat dibandingkan hasilnya. Dalam penelitian ini, peneliti menggunakan software AMOS 16.0, diharapkan untuk penelitian selanjutnya menggunakan software lain seperti SAS dan CALIS, LISREL, STATISTICA, MPLUS, dan sebagainya.

Actions (login required)

View Item